密封结构优化设计方法与流程
本发明属于计算机仿真分析,具体涉及一种密封结构优化设计方法。
背景技术:
1、热罐成型是目前常用的一种复材成型工艺,待成型件的密封性能是保证复材零件热压成型质量的关键影响因素,对于圆筒形整体复材零件,由成型工装和密封袋形成整体密封结构,成型工装中芯模之间密封结构的设计直接影响到成型工装的密封性能。
2、目前,针对密封结构的设计通常是结合试制迭代验证密封结构的密封性能,这种设计方式存在可靠性不高的问题。随着计算机仿真分析的应用,计算机仿真分析的方法被应用到密封结构的优化设计中,但目前主要是针对个别设计参数对密封结构密封性能的影响进行分析,但在多目标优化设计场景下,设计参数性能指标之间可能存在矛盾、冲突的问题,限制了该方法在密封结构优化设计中的应用。
技术实现思路
1、本发明的目的在于提供一种密封结构优化设计方法,以解决在多目标优化设计场景下的密封结构优化设计中存在的问题。
2、本发明通过下述技术方案实现:
3、密封结构优化设计方法,包括以下步骤:
4、确定密封结构待优化设计的参数和参数范围,包括待优化设计的尺寸参数、尺寸参数的尺寸范围和性能指标参数;
5、根据尺寸范围对尺寸参数进行抽样得到尺寸参数样本集合,根据尺寸参数样本集合中的尺寸参数样本建立对应的密封结构有限元仿真模型,对有限元仿真模型进行仿真分析得到对应的仿真性能指标,形成仿真性能指标集合;
6、构建基于bp神经网络的代理模型,在尺寸参数样本集合与仿真性能指标集合中获取训练样本和验证样本对代理模型进行训练,得到优化后的代理模型;
7、采用优化后的代理模型计算性能参数值,根据计算的性能参数值采用优化求解算法得到优化的密封结构尺寸。
8、在实施例中,所述代理模型的神经网络输入节点数量为r,输出节点数量为s,隐含层节点数量为h;
9、确定隐含层节点数h的步骤包括:
10、根据h=sqrt(r+s)+a,a=1,2,…,10,确定h的上限值hmax和下限值hmin;
11、hmin=floor(sqrt(r+s)+1);
12、hmax=ceil(sqrt(r+s)+10);
13、式中,floor()代表向下取整函数,ceil()代表向上取整函数;
14、取[hmin, hmax]范围内不同的h值,得到具有不同隐含层节点数量的代理模型,采用训练样本和验证样本对代理模型进行训练,获取对应的训练结果误差mse;
15、将最小训练结果误差mse所对应的代理模型的隐含层节点数量作为代理模型隐含层节点数h。
16、在一些实施例中,采用训练样本对输入节点为r、输出节点为s、隐含层节点为h的代理模型进行训练,获取训练结果的平均绝对百分比误差e1和相关系数e2;
17、对模型训练参数进行调整,采用调整后的模型训练参数对代理模型进行训练,直至e1、e2满足要求,得到优化的代理模型。
18、在一些实施例中,模型训练参数的调整包括调整模型学习速率、调整训练样本-验证样本的比例。
19、在一些实施例中,采用优化后的代理模型和优化求解算法对密封结构尺寸进行优化的步骤包括:
20、确定密封结构性能指标参数的约束值以及待优化的密封结构尺寸参数的求解范围;
21、采用优化求解算法求解密封结构尺寸参数。
22、在一些实施例中,采用优化求解算法求解密封结构尺寸参数包括:
23、当性能指标参数数量为1时,采用遗传算法或粒子群算法进行求解;
24、当性能指标参数数量大于1时,采用多目标优化算法进行求解,或采用权重函数进行优化筛选。
25、在一些实施例中,采用基于权重系数的权重函数进行尺寸参数设计,优化目标函数表示为:
26、zi = w1×(t1_i/t1)+w2×(t2_i/t2)+…+wm×(tm_i/tm);
27、其中,w1、w2…wm为权重系数,t1_i、t2_i、…、tm_i为由代理模型计算得到的性能参数值,t1、t2、…、tm为性能参数指标值;
28、权重系数可由设计人员指定,满足以下要求:
29、w1+w2+…+wm=1且wi>0,i=1,2,…,m;
30、取z最小时所对应的尺寸参数组作为优选后的结构设计尺寸参数。
31、在一些实施例中,采用随机抽样、均匀抽样或拉丁超立方抽样方法进行尺寸参数的抽样。
32、本发明与现有技术相比,具有以下优点及有益效果:
33、本发明采用有限元仿真分析代替实物试验,获得用于模型训练的样本参数;基于bp神经网络构建结构尺寸参数与性能指标之间的预测模型,并基于该预测模型计算的性能参数数据,采用优化算法求解得到密封结构的尺寸参数。本发明能够以较少的样本量建立结构尺寸参数与性能指标之间的关联模型,该关联模型不仅能够用于后续密封结构尺寸的优化,而且能够用于分析尺寸参数对密封性能的影响,能够很好地适用于密封结构复杂、结构尺寸影响关系相互关联耦合场景下密封结构尺寸的快速优化。
1.密封结构优化设计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的密封结构优化设计方法,其特征在于,所述代理模型的神经网络输入节点数量为r,输出节点数量为s,隐含层节点数量为h;
3.根据权利要求2所述的密封结构优化设计方法,其特征在于,采用训练样本对输入节点为r、输出节点为s、隐含层节点为h的代理模型进行训练,获取训练结果的平均绝对百分比误差e1和相关系数e2;
4.根据权利要求3所述的密封结构优化设计方法,其特征在于,模型训练参数的调整包括调整模型学习速率、调整训练样本-验证样本的比例。
5.根据权利要求1所述的密封结构优化设计方法,其特征在于,采用优化后的代理模型和优化求解算法对密封结构尺寸进行优化的步骤包括:
6.根据权利要求5所述的密封结构优化设计方法,其特征在于,采用优化求解算法求解密封结构尺寸参数包括:
7.根据权利要求6所述的密封结构优化设计方法,其特征在于,采用基于权重系数的权重函数进行尺寸参数设计,优化目标函数表示为:
8.根据权利要求1所述的密封结构优化设计方法,其特征在于,采用随机抽样、均匀抽样或拉丁超立方抽样方法进行尺寸参数的抽样。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com